點擊圖片可放大檢視
4. Structural Equivalence and Position Analysis
(a), (b) Similarities & Dissimilarities of Trade Data
這裡使用 Network > Roles & Positions > Structural > Profile 以取得 similarity matrix。由於在此選項中並無 Jaccard 方法，因此最後使用 correlation 、matches 與 Euclidean distance 作為 similarity (dissimilarity) matrix 的測量單位。
另外，為了盡量讓結果「透明」，雖然 UCINET 可以同時自動處理 Trade data 中具有多個矩陣的情況，這裡仍只使用 Trade 當中的外交 (diplomats) 資料。
使用 Trade-diplomats 產生的 3 個 similarity (dissimilarity) matrix 進行 hierarchical clustering 的結果如下：
Correlation as similarity measure
Matches as similarity measure
Euclidean Distance as dissimilarity measure
(c) Comparison of Clustering & Multidimensional Scaling
使用「臺大論文口試審查委員」的資料進行 Clustering 與 MDS (皆使用 Euclidean distance) 之後，視覺化的結果如下：
Hierarchical clustering (left) & Multidimensional scaling (right) on NTU thesis committee data
從 MDS 的圖可以看出圖片中央似乎有一團密集的區域 (核心)，這個現象與 clustering 的結果相當吻合 — clustering dendrogram 的形狀是呈現三角形，亦即 dendrogram 的下方在很早期就被分成同一群，並且隨著距離的增加 (similarity 遞減)，這一群變得越來越大。換言之，Clustering 和 MDS 都顯示 NTU thesis committee data 似乎只有一個「核心」。
這個現象在與 Trade-diplomats 相比後會比較明顯 — 下方的 dendrogram 很明顯的與上方呈現三角形的 NTU thesis committee data 差異很大，而這也顯示在下方的 MDS 上：Trade-diplomats 每點之間距離較遠，與呈現一個「核心」的 NTU thesis committee data 有相當差異。
Hierarchical clustering (left) & Multidimensional scaling (right) on Trade-diplomats